Awesome GitHub RepositoriesModel Performance Visualizations

This project is a collection of educational examples and code for implementing deep learning architectures using the PyTorch framework. It serves as a tutorial and implementation guide for building various neural network architectures for machine learning tasks. The project provides practical implementations for computer vision, including image classification and neural style transfer, as well as natural language processing examples for building sequence models and language predictors. It also covers generative models using adversarial and variational networks to synthesize or transform visua

This project is an educational platform and research toolkit designed to teach deep learning through a combination of mathematical theory, visual diagrams, and executable code. It provides a comprehensive environment for building, training, and evaluating neural networks, grounding complex concepts in interactive computational notebooks that allow for hands-on experimentation. The framework distinguishes itself by interleaving theoretical foundations—including linear algebra, calculus, and probability—with practical implementations across multiple industry-standard libraries. It supports flex

FlameGraph is a performance profiling and visualization toolkit designed to identify bottlenecks in software execution. It functions as a processing engine that transforms raw stack trace samples into interactive, hierarchical diagrams. By representing aggregated execution frequency as nested rectangles, the tool allows developers to visualize hot code paths and analyze system behavior across both kernel and user-space environments. The project distinguishes itself through its ability to perform differential profile analysis, which highlights performance regressions or improvements by compari

PyCaret is a Python AutoML platform and MLOps lifecycle manager designed to automate machine learning workflows. It functions as a low-code environment that leverages a scikit-learn native engine to execute preprocessing, training, and evaluation for tabular data. The platform distinguishes itself as an LLM-powered ML copilot, using large language model agents to analyze datasets, design experiment configurations, and explain model results. It also serves as a Kubernetes ML orchestrator and model registry, enabling the versioning of trained pipelines and their promotion to production API endp

CatBoost is a gradient boosting machine learning library used to train decision tree ensembles for regression, classification, and ranking tasks. It functions as a high-performance framework that provides a categorical data processor for transforming non-numeric features, a distributed trainer for large-scale datasets, and GPU acceleration to speed up model construction. The library distinguishes itself through native handling of categorical data and text features, removing the need for manual encoding. It includes a specialized model interpretability tool that leverages SHAP values and featu

This is a scikit-learn automated machine learning framework designed to optimize model selection and hyperparameters. It functions as an automated model selector and hyperparameter optimization tool for classification and regression tasks, utilizing an automated ensemble builder to combine high-performing models for increased predictive accuracy. The system features a distributed search engine that uses Dask for parallel machine learning optimization across CPU cores or clusters. It implements a budget-based evaluation strategy through successive halving to prioritize promising model configur

OpenCompass is a comprehensive evaluation platform, benchmarking suite, and distributed model evaluator designed to measure the performance and accuracy of large language models. It provides a framework for benchmarking both open-source and API-based models against diverse datasets using standardized metrics and reproducible pipelines. The project features an automated judging framework that uses language models as judges to score and verify the quality of generated text. It includes a performance leaderboard system for comparing the relative capabilities of various models across industry-sta

PostgresML is a machine learning database extension for PostgreSQL that integrates model training and inference directly into the database. It functions as an in-database AI platform and vector database, enabling the execution of large language models and natural language processing tasks on stored records without exporting data to external services. The system distinguishes itself by utilizing GPU acceleration to minimize latency during model predictions and employing a hybrid storage engine that maintains relational data alongside high-dimensional vectors. It allows for the building and fin

ClearML is a comprehensive MLOps platform designed to manage the entire machine learning lifecycle. It functions as an experiment tracking tool, a data versioning system, and a pipeline orchestrator, while providing infrastructure for GPU cluster management and model serving. The platform is distinguished by its ability to handle hybrid-cloud compute scheduling and fractional GPU allocation, allowing multiple workloads to share a single hardware accelerator. It employs a metadata-based approach to data versioning, using virtual views to track large datasets and artifacts without duplicating r

MMDetection3D is an open-source toolbox for 3D perception, providing a unified framework for detecting and segmenting objects in three-dimensional environments. It supports a range of core tasks including monocular 3D object detection from single camera images, LiDAR-based 3D object detection from raw point clouds, and multi-modal fusion that combines camera images with LiDAR data. The toolbox also covers point cloud semantic segmentation, assigning class labels to every point in a scan for scene understanding. The project distinguishes itself through a config-driven pipeline that orchestrate

هذا المستودع عبارة عن مجموعة من البرامج التعليمية الموجهة لبناء وتدريب نماذج التعلم الآلي باستخدام إطار عمل TensorFlow. يوفر جولات عملية وأمثلة لتنفيذ مجموعة متنوعة من معماريات النماذج لحل مشاكل التنبؤ بالبيانات وتحليلها. تغطي الأدلة بناء الشبكات العصبية التغذوية، والتلافيفية، والمتكررة لتحليل أنماط البيانات المعقدة. تتضمن برامج تعليمية محددة للتعلم غير الخاضع للإشراف، مثل أجهزة التشفير التلقائي لإزالة الضوضاء وتضمينات word-to-vec، بالإضافة إلى أمثلة لتدريب الشبكات التنافسية التوليدية لتوليف عينات بيانات جديدة. يتناول المحتوى أيضاً إدارة النماذج، بما في ذلك تعليمات لحفظ واستعادة أوزان الشبكة للحفاظ على تقدم التدريب. بالإضافة إلى ذلك، يغطي تصور مقاييس التدريب والرسوم البيانية الحسابية لمراقبة الأداء.

MMF is a modular framework for building, training, and evaluating vision-and-language models. It provides a configuration-driven experiment system where model, dataset, and training parameters are defined through composable YAML files, alongside a curated model zoo of pretrained checkpoints for state-of-the-art multimodal architectures. The framework includes a multimodal dataset loader that downloads, processes, and batches vision-and-language data, and a vision-language model trainer supporting distributed training, mixed precision, and checkpoint-based resumption. The framework distinguish

This is an interactive notebook-based course that teaches machine learning from Python fundamentals through deep learning and natural language processing. It uses real datasets and multiple frameworks within a structured, hands-on curriculum that combines concise explanations with executable code cells, built-in datasets, and embedded exercise checkpoints. Learning progresses through data preparation and exploration, classical machine learning workflows, computer vision with convolutional neural networks, and natural language processing with deep learning, all delivered as a cohesive progressi

This repository is a comprehensive educational program and deep learning framework designed to teach practical deep learning using PyTorch through notebooks and code examples. It serves as a high-level library for building, training, and deploying neural networks, acting as a model training orchestrator that coordinates PyTorch models, optimizers, and loss functions. The project provides specialized toolkits for computer vision, natural language processing, and tabular data preprocessing. It distinguishes itself through advanced training controls such as discriminative learning rates, a two-w

This project is a comprehensive deep reinforcement learning course and training platform. It provides a structured educational curriculum that combines theoretical lessons with hands-on tutorials to teach the implementation of neural networks and agent behavior. The platform integrates a model sharing hub where users can upload, download, and version trained machine learning models. It also features a benchmarking system that uses leaderboards to evaluate and compare agent performance against community standards. The educational experience is delivered through interactive notebooks and inclu

هذا المشروع عبارة عن مورد تعليمي شامل ودورة تدريبية لبناء الشبكات العصبية باستخدام PyTorch. يغطي اللبنات الأساسية للتعلم العميق، بما في ذلك معالجة الموترات (tensors)، والتمايز التلقائي، وبناء مكونات الشبكة العصبية المعيارية. يعمل المستودع كدليل تقني للعديد من المجالات المتخصصة. يوفر تفاصيل تنفيذ لمهام رؤية الكمبيوتر مثل تصنيف الصور، واكتشاف الكائنات، والتجزئة الدلالية، بالإضافة إلى سير عمل معالجة اللغات الطبيعية التي تتضمن المحولات (transformers)، والشبكات المتكررة، والنماذج التوليدية. بالإضافة إلى ذلك، يتضمن مرجعاً للذكاء الاصطناعي التوليدي، مع التركيز بشكل خاص على تركيب الصور عبر نماذج الانتشار (diffusion models) والشبكات التنافسية. تمتد المادة إلى تحسين النماذج وخطوط أنابيب النشر. تغطي تقنيات لتقليل حجم النموذج وزيادة سرعة الاستنتاج من خلال التكميم (quantization) وتصدير النماذج إلى تنسيقات مثل ONNX وTensorRT. تشمل مجالات القدرة الأخرى هندسة البيانات للتحميل المتوازي، وتقييم النموذج باستخدام مقاييس مخصصة، ونشر نماذج اللغات الكبيرة مفتوحة المصدر. يتم تقديم المشروع بشكل أساسي كسلسلة من دفاتر Jupyter.

هذا المشروع عبارة عن مجموعة من أمثلة تعلم الآلة TensorFlow التي توفر تطبيقات مرجعية لنماذج شبكة عصبية مختلفة. يغطي نماذج التعلم الخاضع للإشراف، وغير الخاضع للإشراف، والتعزيزي، والمتسلسل. يتضمن المستودع تطبيقات للشبكات العصبية التلافيفية التي تركز على تصنيف الصور وترتيبها، بالإضافة إلى الشبكات العصبية المتكررة للتنبؤ بالسلاسل الزمنية والترجمة من تسلسل إلى تسلسل. كما يوفر أمثلة لوكلاء التعلم التعزيزي المدربين عبر تحسين المكافأة وتقنيات التعلم غير الخاضع للإشراف مثل أجهزة التشفير التلقائي والخرائط ذاتية التنظيم لتجميع البيانات. تغطي القدرات الإضافية الانحدار والتصنيف الخاضع للإشراف، وتوليد التضمين الدلالي، واستخدام نماذج ماركوف المخفية لنمذجة البيانات المتسلسلة. يتضمن المشروع أيضاً أدوات لإدارة عمليات الموتر وتصور أداء النموذج عبر لوحات المعلومات. يتم تقديم المحتوى كسلسلة من دفاتر Jupyter.

Yellowbrick هي مكتبة لتصور تعلم الآلة وأداة تشخيص للنماذج مصممة لتحليل أهمية الميزات، وتوزيعات الأهداف، ومقاييس خطأ النموذج. تعمل كمجموعة أدوات مرئية لتشخيص نقص الملاءمة (underfitting) والإفراط في الملاءمة (overfitting) من خلال استخدام منحنيات التحقق والتعلم. يوفر المشروع مجموعات متخصصة لتقييم النماذج التنبؤية والتعلم غير الخاضع للإشراف. يتيح تحديد أعداد العناقيد المثلى عبر طرق الكوع (elbow methods) ومعاملات الصورة الظلية (silhouette coefficients)، وتقييم جودة المصنفات والمنحدرات من خلال منحنيات ROC، ومصفوفات الارتباك، ومخططات البواقي. تغطي المكتبة العديد من مجالات الإمكانيات عالية المستوى، بما في ذلك تحليل هندسة الميزات لتحديد المتغيرات التنبؤية، وضبط المعلمات الفائقة (hyperparameters) لتعديل تعقيد النموذج، وتشخيص خطأ الانحدار لتحديد نقاط البيانات المؤثرة. كما تتضمن أدوات لإسقاط تعلم المتشعبات (manifold learning) لتصور البيانات عالية الأبعاد ومتون النصوص. تتكامل الأداة مع واجهة برمجة تطبيقات Scikit-Learn لاستهلاك طرق الملاءمة والتنبؤ القياسية.

SwanLab هي منصة مفتوحة المصدر لتتبع تجارب تعلم الآلة وأداة للمراقبة. توفر لوحة تحكم مركزية لتسجيل مقاييس التدريب، والمعاملات الفائقة (hyperparameters)، وأداء الأجهزة لمراقبة وتحليل عمليات تدريب نماذج الذكاء الاصطناعي. تتميز المنصة بتركيزها على البنية التحتية ذاتية الاستضافة، مما يسمح للمستخدمين بنشر نسخ خاصة عبر Docker أو Kubernetes للتحكم الآمن في البيانات محلياً. كما تتضمن أدوات متخصصة لترحيل سجلات التجارب التاريخية ومزامنة المقاييس في الوقت الفعلي من أدوات خارجية مثل MLflow. يغطي النظام مجموعة واسعة من القدرات، بما في ذلك تسجيل الوسائط متعددة الوسائط للسحب النقطية ثلاثية الأبعاد والأصول السمعية والبصرية، ومراقبة أداء الأجهزة في الوقت الفعلي لوحدات معالجة الرسومات (GPUs) والمعالجات (CPUs)، والتحليل المقارن عبر تصورات التشغيل جنباً إلى جنب. يدعم تتبع التدريب الموزع عبر مجموعات متعددة من وحدات معالجة الرسومات ويتكامل مع أطر عمل مثل PyTorch Lightning وRay وXGBoost وLightGBM. تتم الإدارة الإدارية من خلال مزيج من لوحة تحكم قائمة على الويب وواجهة سطر أوامر لإدارة مساحات العمل والمشاريع وصلاحيات المستخدمين.